1 中国科学院 长春光学精密机械与物理研究所，吉林长春30033
2 中国科学院大学，北京100049
3 吉林省智能波前传感与控制重点实验室，吉林长春100
4 中国人民解放军63768部队，陕西西安710200
大视场光学望远镜是中高轨目标搜索的重要设备，在搜索图像中除中高轨目标外还存在恒星目标，对恒星目标进行辨识与抑制是中高轨目标检测的必要环节之一。考虑银道面附近天区、曝光时间差异以及多云遮挡等因素的影响，图像中的星场密度变化区间非常大，传统的恒星辨识方法在计算准确性与实时性方面均存在局限性，导致恒星虚警、计算超时等情况的发生。为解决该问题，提出了一种基于惯性坐标时域相对不变性的恒星辨识与抑制方法。推导了地平坐标系与惯性坐标系的数学转换关系，并由此构建了恒星辨识模型；在不同的静态系统误差条件下，量化分析了恒星目标的惯性坐标时域相对不变性；最后，开展了恒星辨识与抑制算法的仿真与实验验证。仿真与实验结果表明：在时间间隔为10 s、静态系统误差为10″的条件下，恒星的惯性坐标最大相对差异为0.51″（赤经），0.16″（赤纬），其时域相对不变性满足恒星辨识需求，辨识过程完全不依赖星场密度。经100圈次中高轨目标实测图像验证，本文方法未出现恒星虚警及中高轨目标检测缺失的现象。
目标检测 恒星辨识与抑制 中高轨目标搜索 惯性坐标系 target detection identification and suppression of stars search of GEO and MEO inertial coordinate system
恒星的分类问题一直是天文研究的一大热点, 恒星的亚型分类对探究恒星演化、 稀有天体识别等具有重大意义。 针对LAMOST光谱亚型分类问题设计了SSTransformer (stellar spectrum transformer)分类模型, 该模型主要由三部分组成, 包括输入模块、 嵌入模块、 SST编码模块。 在输入模块中, 将光谱数据进行分块处理, 这些块经过线性投射层被映射为向量。 在嵌入模块中, 为了提取有用的数据特征, 将线性投射层的输出加入一个可学习的类别嵌入块, 为了保留位置信息, 再加入位置嵌入块, 之后将这些数据特征向量送入SST编码模块。 最后在SST编码模块中, 对数据特征进行提取处理, 并利用多层感知器结合新特征对恒星光谱进行分类。 采用的A、 F、 G、 K、 M型恒星光谱数据均来自LAMOST DR8中的一维低分辨率光谱, 35 256条一维光谱数据用于SSTransformer模型的训练, 8815条一维光谱数据用作模型的测试。 为了加快模型的收敛速度, 对数据采用Z-Score归一化处理。 由于是多分类问题, 实验采用了准确率、 精确率、 召回率、 F1-Score、 Kappa系数五个评价指标。 实验结果证明, 利用SSTransformer模型可实现对一维恒星光谱数据有效的筛选分类, 分类准确率达到98.36%, 比支持向量机(support vector machine, SVM)算法、 极端梯度提升(eXtreme Gradient Boosting, XGBoost)算法, 以及卷积神经网络(convolutional neural networks, CNN)的分类准确率更高。
恒星光谱 自动分类 SSTransformer模型 归一化 Stellar spectra Automatic classification SSTransformer model Normalized 光谱学与光谱分析
2023, 43(8): 2523
河北工业大学电子信息工程学院, 天津 300401
随着越来越多的大型光谱巡天计划的实施, 产生了海量的恒星光谱数据, 这对于恒星演化理论的研究具有重大意义, 但也给传统的光谱分类和处理带来极大挑战。 2021年发布的LAMOST DR7(v2.0版本)光谱数据集中, 恒星光谱总量为百万量级, 但其中O型星的数量仅为129条, 远远小于其他六类恒星光谱数量。 对于这种数据量大、 数据集严重不平衡的情况, 传统的机器学习分类方法达不到较好的效果, 因此多用于对相邻两类、 部分类或子类恒星光谱进行分类。 针对以上问题, 使用一维卷积神经网络(CNN)和一维生成对抗网络(GAN)相结合的半监督学习模式对七类恒星光谱进行全分类。 实验首先对每条光谱进行裁剪和去噪, 截取光谱波长范围为370.00~867.16 nm部分, 然后进行均匀采样和归一化, 生成大小为1×3 700的数据集样本, 送入CNN进行训练。 为了避免过拟合并提高模型对未知数据的预测能力, 在CNN的全连接层和池化层之间添加正则项Dropout。 使用该网络对除O型星以外的六类光谱进行分类, 平均分类准确率达到98.08%。 针对O型星数量严重偏少的问题, 采用GAN来扩充数据集。 GAN的输入是1×900大小的噪声信号, 经过生成器中全连接的三层跨步卷积运算, 输出大小为1×3 700的数据。 通过对生成器和判别器进行单独交替迭代训练使GAN收敛, 最终输出所需数量的O型星样本, 达到扩充数据集的目的。 和常见的通过过采样扩充数据集相比, 利用GAN扩充数据集, 结合一维CNN对恒星光谱进行全分类, 可以将O型星的分类准确率由72.92%提升至97.92%, 整个分类器的准确率达到96.28%。 实验结果表明, 使用这种半监督模式的恒星光谱自动分类方法可以实现对七类恒星光谱的快速、 准确分类, 也可以用于对标记为“Unknown”的未分类恒星光谱进行挖掘, 达到充分利用光谱的目的。
恒星光谱 自动分类 卷积神经网络 生成对抗网络 半监督模式 Star spectra Automatic classification Convolutional neural networks Generative adversarial networks Semi-supervised mode 光谱学与光谱分析
2023, 43(6): 1875
1 中国科学院 合肥物质科学研究院安徽光学精密机械研究所， 大气光学重点实验室，安徽合肥23003
2 中国科学技术大学，安徽合肥3006
3 先进激光技术安徽省实验室，安徽合肥2007
对于恒星光斑成像，传统的梯度评价算法在重度离焦情况下梯度细节薄弱，难以识别正确的调焦方向。为了实现跟星系统对恒星的快速成像和可靠跟踪，建立了针对恒星成像特征进行评价的自动调焦系统，对系统的聚焦评价算法、自动调焦结构以及自动控制系统进行研究。通过跟星系统成像的灰度分布情况分析光斑图像梯度特征在正焦和离焦时的区别。根据恒星光斑成像灰度级差异变化的特点，将背景值纳入评价贡献，在传统的梯度评价函数中加入光斑信号灰度差异贡献。设计适用改进算法的调焦硬件结构和系统结构，利用步进电机和调焦底座组成调焦组件，通过计算控制单元驱动调焦组件实现自动调焦系统。利用搭载调焦系统的跟星装置进行实验和分析。实验结果表明：自动调焦装置能够在跟星系统中稳定地进行调焦工作，且改进算法相对于传统梯度算法有着更好的调焦方向性，在保持传统梯度算法67%灵敏度的同时，将局部极值点减小为0。改进算法不受梯度细节薄弱影响，能够在不同离焦程度下保持较好的调焦方向性和正焦灵敏性，跟星系统在搭载自动调焦装置后能够快速搜索合适焦距并进行大气光学特性测量。
恒星聚焦 自动调焦 图像清晰度 步进电机 跟星系统 stellar focus auto focus image clarity stepper motor follow-star system 光学 精密工程
2023, 31(14): 2009
1 中国科学院合肥物质科学研究院 安徽光学精密机械研究所 中国科学院大气光学重点实验室，合肥 230031
2 国防科学技术大学 电子对抗学院 红外与低温等离子体安徽省重点实验室，合肥 230037
3 先进激光技术安徽省实验室，合肥 230037
4 合肥工业大学 物理学院，合肥 230601
5 中国科学技术大学研究生院科学岛分院，合肥 230026
工作于近地空间的星敏感器，其观测过程将不可避免受到天空背景辐射、大气湍流以及大气折射的影响。本文是星光成像的大气影响系列文章之二，建立了湍流大气星光传输模型，研究了恒星成像的大气湍流影响。基于ERA5数据和光学湍流预报方法得到大气湍流参数廓线，计算了典型地区不同时刻及观测条件下星光的闪烁指数，对比星光闪烁的理论值，验证了数值计算的可靠性。研究了湍流大气中星光传输的闪烁效应及星像质心的抖动特性，得到了典型观测高度及观测天顶角情况下的恒星抖动量。研究表明：恒星抖动的到达角和到达角起伏与星光的闪烁指数呈正相关关系，提升星敏感器的观测高度、减小星敏感器的观测天顶角，能一定程度上减轻星光成像的大气湍流影响。
星敏感器 恒星成像 大气湍流 闪烁指数 到达角起伏 Star sensor Star imaging Atmospheric turbulence Scintillation index Arrival angle fluctuation
1 中国科学院合肥物质科学研究院 安徽光学精密机械研究所 中国科学院大气光学重点实验室，合肥 230031
2 国防科学技术大学 电子对抗学院 红外与低温等离子体安徽省重点实验室，合肥 230037
3 先进激光技术安徽省实验室，合肥 230037
4 合肥工业大学 物理学院，合肥 230601
5 中国科学技术大学研究生院科学岛分院，合肥 230026
工作于近地空间的星敏感器，其观测过程将不可避免受到天空背景辐射、大气湍流以及大气折射的影响。本文是星光成像的大气影响系列文章之一，研究了如何利用偏振滤波技术降低天空背景辐射对恒星成像的影响。基于激光雷达实测数据，计算得到了典型地区整层大气粒子的分布特性及散射特性，结合大气矢量辐射传输模型，研究了天空背景在近红外波段的偏振特性，获得了不同大气条件及观测条件下的天空偏振特性，分析了观测与太阳位置对不同波长天空背景偏振分布的影响。研究表明：使用波长较长且位于吸收带的近红外光进行观测或提升星敏感器的观测高度，可采用偏振滤波技术一定程度上抑制天空背景光。当观测方位角一定时，选取合适的观测角度可以保证在较低太阳高度时能使用偏振滤波技术降低天空背景辐射对星光成像的影响。
星敏感器 恒星成像 背景辐射 偏振分布 偏振滤波技术 Star sensor Star imaging Background radiation Polarization distribution Polarization filtering technique
1 北京空间机电研究所, 北京 100094
2 先进光学遥感技术北京市重点实验室, 北京 100094
为满足气象水文、天文观测等领域对短波红外遥感器高精度探测需求, 近年来对短波红外探测定量化应用的需求越来越高。本文针对高轨面阵短波红外遥感器在轨各种因素引起的非均匀性变化情况, 基于面源黑体定标结合恒星定标的在轨绝对辐射定标设计方案, 结合某遥感器任务研制过程的具体实际, 分析了定标精度主要影响因素及优化措施, 包括星上定标方案优化、星上黑体温度控制优化、恒星提取算法优化等。通过实验室测试对在轨辐射定标方法进行了验证, 并对在轨绝对辐射定标不确定度进行预估, 评估结果表明定标不确定度能够满足应用要求。
短波红外遥感器 在轨辐射定标 黑体 恒星定标 short-wave infrared remote sensing system, in-orbi
杨松洲 1,2,3,*张国玉 1,2,3孙高飞 1,2,3刘石 1,2,3徐达 1,2,3
1 长春理工大学光电工程学院，吉林 长春 130022
2 光电测控与光电信息传输技术教育部重点实验室，吉林 长春 130022
3 吉林省光电测控仪器工程技术研究中心，吉林 长春 130022
为解决现有星模拟器无法模拟天空背景变化的问题，提出了一种用于测试星敏感器工作性能的背景可调星模拟器。设计了离轴反射式准直光学系统，通过在主光路中引入半反半透镜产生两个共轭焦面，星点分划板和杂光光阑分别由恒星光源模拟器和背景光源模拟器中的两个积分球照亮。实时监测积分球出口辐照度并根据星点和背景亮度的需要控制光源的输出功率。两路光束合束后准直成像为平行光，最终被星敏感器接收，从而实现具有可变星空背景且视星等可变的恒星模拟。测试结果表明，该系统的视星等在-2.00~6.00范围内连续可调，视星等模拟精度为0.30，背景光源均匀性达到97.3%。该系统可较好地模拟星敏感器运行时恒星的背景变化，有效提升星敏感器的性能测试精度。
光学设计 星模拟器 恒星模拟 背景模拟 星敏感器 激光与光电子学进展
2022, 59(23): 2322001
1 河北工业大学, 天津 300400
2 中国科学院国家天文台, 北京 100012
天体光谱处理中的一项基本任务是对大量的恒星光谱进行自动分类。 到目前为止, 恒星光谱的分类工作多是基于一维光谱数据。 该研究打破传统的天体光谱数据处理流程, 提出了基于二维恒星光谱分类的方法。 在LAMOST(the large sky area multi-object fiber spectroscopic telescope)的数据处理流程中, 所有的一维光谱都是由二维光谱抽谱、 合并得来。 二维光谱是由光谱仪产生的图像, 包括蓝端图像和红端图像。 基于LAMOST二维光谱数据, 提出了特征融合卷积神经网络(FFCNN)分类模型, 用于二维恒星光谱的分类。 该模型是一个有监督的算法, 通过两个CNN模型分别提取蓝端图像和红端图像的特征, 然后将二者进行融合得到新的特征, 再利用CNN对新特征进行分类。 所使用的数据全部来源于LAMOST, 我们在LMOST DR7中随机选择了一批源, 然后获得了它们的二维光谱。 一共有14 840根F, G和K型恒星的二维光谱用于FFCNN模型的训练, 其中包括7 420根蓝端光谱和7 420根红端光谱。 由于三类恒星光谱的数量并不均衡, 在训练的过程中分别为每类恒星光谱设置了不同权重, 防止模型出现分类失衡现象。 同时, 为了加快模型收敛, 对二维光谱数据采用Z-score归一化处理。 此外, 为了充分利用所有样本, 提高模型的可靠度, 采用五折交叉验证的方法验证模型。 3 710根二维光谱用作测试集, 使用准确率、 精确率、 召回率和F1-score来对FFCNN模型的性能进行评价。 实验结果显示, F, G和K型恒星的精确率分别达到87.6%, 79.2%和88.5%, 而且它们超过了一维光谱分类的结果。 实验结果证明基于FFCNN的二维恒星光谱分类是一种有效的方法, 它也为恒星光谱的处理提供了新的思路和方法。
二维恒星光谱 光谱分类 FFCNN模型 归一化 交叉验证 Two-dimensional stellar spectra Spectral classification FFCNN model Normalized Cross-validation 光谱学与光谱分析
2022, 42(6): 1881
